模式識別、機器學習、神經網路、(泛函分析？)的學習順序

01-04

模式識別、機器學習、神經網路的內容其實相輔相成，而且還需要一些泛函分析的知識，概率論線性代數倒是已經學過。我想問，這些課程或者知識的學習順序是什麼。
我是先看的模式識別的，一大堆數學公式看的頭痛。看到有人推薦先學神經網路的。

首先要了解這四者分別是講什麼內容。

模式識別：識別或分類主要有兩個過程：特徵提取與分類器設計。模式識別涵蓋的範圍是比較廣的，包括特徵提取，特徵選擇，降維（PCA,LDA），各種分類器等。

機器學習：主要是講學習，其實也就是訓練。所以其更多的是講分類器如何訓練模型，而不涉及特徵方面的知識。另外非監督學習像聚類、回歸在二者中都有涉及。

神經網路：是一種學習方法，或者說是分類器的一種。實際上分類器的種類非常多，一般人並不需要對每一種都非常熟悉。但是最近deep learning非常火，所以關注神經網路的人也多了。

泛函分析：一門數學理論課。

網上經常看到一種說法：機器學習模式識別數據理論很深，想要學習它們，必須先去惡補數學理論。我不太同意這種觀點。

樓主是初學者，我覺得一定要明白自己學習的目的是什麼？如果是想進入科研領域，理論是非常重要的，數據基礎必須足夠牢固，才能在理論上做些工作。如果只是個業餘愛好者，我覺得還是跟實際應用項目結合起來學最好。對於演算法，知道個大概原理即可，不必過多的深究其理論，多動手使用一些工具箱進行實驗，體會不同演算法的性能，如何改進性能。

如果說學習順利的問題，我覺得可以從機器學習或模式識別入手，看一本入門的書，理論難度太大的不推薦。看到有些數學理論不清楚的，可以查閱相關書籍，甚至wiki即可。有個本科的數學基礎，藉助參考書和網路，完全可以大概了解這兩門學科。

我比較推薦先從宏觀上了解，知道模式識別的一般過程，常用演算法原理，最後有興趣再去深究細節。

這塊水比較深，而且方向很不明晰，學習曲線較長。

建議參與到一個實際的項目中去，遇到什麼學什麼。我當年就是這麼乾的。誤打誤撞幹了三年。雖然不是科班出身，但是學的東西夠用，跟上了研發的需求。最後做的東西技術上很好，可惜產品方面比較糟，那是後話了。。。我現在準備學習產品經理知識